Rekomendasi Lagu Berdasarkan Lirik Lagu Menggunakan Metode N-gram dan Cosine Similarity

Situmorang, Jesika Silviana and Putra Pandu Adikara,, S.Kom., M.Kom. and Dian Eka Ratnawati,, S.Si., M.Kom. (2021) Rekomendasi Lagu Berdasarkan Lirik Lagu Menggunakan Metode N-gram dan Cosine Similarity. Sarjana thesis, Universitas Brawijaya.

Abstract

Mendengarkan lagu merupakan salah satu kegiatan manusia yang sering dilakukan oleh manusia. Lagu adalah suatu seni yang bernada atau suara yang memiliki unsur urutan syair dan kombinasi dengan satu atau beberapa gabungan alat musik. Syair atau lirik dalam lagu biasanya berisi beberapa bait yang memiliki makna tersendiri bagi penulis syair lagu. Perkembangan lagu sekarang sudah bertambah maju dan membuat pencinta musik maupun lagu semakin menyukai lagu atau pun musik. Hal ini terjadi karena adanya smartphone yang membuat penyuka lagu dapat mendengarkan lagu secara online maupun offline. Namun banyaknya lagu yang ada membuat pecinta musik mempunyai batasan dalam memilih lagu dalam pemutar musik. Masalah tersebut membutuhkan suatu inovasi yang memudahkan pencarian lagu berdasarkan lirik yang sesuai dengan pengguna (pecinta musik). Masalah tersebut dapat diselesaikan dalam sebuah bentuk sistem pemerolehan informasi. Model perekomendasi lagu dapat menjadi penyeleksi lagu secara otomatis berdasarkan lirik, sehingga mempermudah pengguna dalam pencarian lagu yang diinginkan. Penelitian model perekomendasian lagu ini menggunakan metode N-gram (unigram bigram dan trigram) dan cosine similarity. Lirik lagu akan melalui tahap preprocessing kemudian tahap Term Frequency – Inverse Document Frequency (TF-IDF) agar kata-kata yang ada dalam lirik lagu diseleksi terlebih dahulu. Sistem akan mengeluarkan 10 rekomendasi lagu. Hasil evaluasi daftar rekomendasi lagu terbaik menggunakan unigram dengan nilai Precision@10 0,656 dan Mean Average Precision@k (MAP@K) 0,82914032.

English Abstract

Listening to songs is one of the human activities that is often carried out by humans. Song is an art that has a pitch or sound that has elements of poetry sequences and a combination with one or several combinations of musical instruments. The lyrics in the song usually contain several verses that have their own meaning for the songwriter. The development of songs has now progressed and made music and song lovers increasingly like songs or music. This happens because of the smartphone that allows song enthusiasts to listen to songs online and offline. But the number of songs available makes music lovers have limitations in choosing songs in the music player. This problem requires an innovation that makes it easy to search for songs based on lyrics that suit the user (music lover). This problem can be solved in the form of an information acquisition system. Song recommendation model can automatically select songs based on lyrics, making it easier for users to search for the desired song. The research for this song recommendation model used the N-gram method (unigram bigram and trigram) and cosine similarity. Song lyrics will go through the preprocessing stage then Term Frequency – Inverse Document Frequency (TF-IDF) so that the words in the song lyrics are selected first. The system will issue 10 song recommendations. The results of the evaluation of the best song recommendations use Unigram with a Precision@10 value of 0.656 and a Mean Average Precison (MAP@K) value of 0.82914032.

Item Type:	Thesis (Sarjana)
Identification Number:	052115
Uncontrolled Keywords:	Rekomendasi, Lagu, N-Gram, Cosine Similarity, TF-IDF, Sistem Pemerolehan Informasi, Recommendations, Songs, N-Gram, Cosine Similarity, TF-IDF, Information Retrieval System.
Subjects:	000 Computer science, information and general works > 004 Computer science
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	PKN 03 UB
Date Deposited:	09 Jun 2023 03:20
Last Modified:	09 Jun 2023 03:20
URI:	http://repository.ub.ac.id/id/eprint/201301

Text (DALAM MASA EMBARGO) Jesika Silviana Br Situmorang.pdf Restricted to Registered users only until 31 December 2023. Download (4MB)

Actions (login required)

View Item